MIT（麻省理工学院）这项名为南达计划（NANDA）的研究采用多方法进行研究设计，具体包括：
报告揭示了一个令人意外的结果：尽管企业在生成式人工智能（GenAI）领域投入了 300 亿至 400 亿美元，95% 的企业未获得任何回报。
报告指出，无论是买方群体（大型企业、中型市场企业、中小型企业（SMBs））还是构建方群体（初创公司、供应商、咨询公司），其结果差异都极为显著，这种现象可称为 “生成式人工智能鸿沟（GenAI Divide）”。
在所有已落地的人工智能试点项目中，仅有 5% 的项目创造了数百万美元的价值，而绝大多数项目仍停滞不前，未对损益表（P&L）产生可衡量的影响。
值得注意的是，这种鸿沟的形成似乎并非由模型质量或监管政策驱动，而是取决于企业采用的实施方法。
ChatGPT、Copilot 等工具已得到广泛应用。超过 80% 的机构已对这类工具展开探索或试点，近 40% 的机构表示已实现部署。
但这些工具主要提升的是个体生产力，而非损益表（P&L）层面的业绩表现。
与此同时，无论是定制开发还是供应商销售的企业级系统，都在被悄然摒弃。
60% 的机构曾对这类企业级工具进行评估，但仅有 20% 推进至试点阶段，最终实现正式投产的仅占 5%。
多数企业级系统失败的原因在于工作流程僵化、缺乏情境化学习能力，以及与日常运营脱节。
通过访谈、调研，以及对 300 个公开落地案例的分析，报告发现 “生成式人工智能鸿沟（GenAI Divide）” 主要由四大模式特征定义：
生成式人工智能（GenAI）规模化应用的核心障碍并非基础设施、监管政策或人才问题，而是 “学习能力” 的缺失。大多数生成式人工智能系统无法留存反馈、无法适应情境变化，也无法随着时间推移实现自我改进。
有一小部分供应商与企业（买方）通过直接解决这些局限性，取得了更快的进展。
成功的企业会要求针对特定流程进行定制化开发，并依据业务成果而非软件基准来评估工具。它们期望系统既能与现有流程整合，又能随时间推移持续优化。而满足这些需求的供应商，能在数月内敲定价值数百万美元的部署项目。
尽管大多数生成式人工智能实施方案并未带来人员精简，但那些跨越了 “生成式人工智能鸿沟（GenAI Divide）” 的企业，已开始在客户支持、软件工程和行政职能等领域观察到针对性的人力影响。
此外，表现最突出的企业报告称，通过减少业务流程外包（BPO）支出和外部机构服务的使用（尤其在后台运营中），实现了可量化的成本节约。
另有部分企业表示，借助自动化触达和智能跟进系统，客户留存率与销售转化率得到了提升。
这些早期成果表明，具备学习能力的生成式人工智能系统，即便在无需大规模组织重组的情况下，只要聚焦于特定流程，就能创造实际价值。